Time series analysis of field data for soft faults detection and degradation assessment in residential air conditioning systems
Notice bibliographique
Résumé
• Field data from residential AC units used to detect soft faults. • Virtual refrigerant charge sensor detects refrigerant leakage. • Temperature difference identifies inadequate condenser airflow. • Analysis of 81 units: 2 had airflow issues, 5 had leakage. • Faults caused 4–26% higher energy use, 4–10% COP reduction. Residential Air Conditioning units are significant contributors to energy consumption. Soft faults in these units, such as refrigerant leakage and inadequate condenser airflow, can lead to reduced equipment life, decreased cooling capacity, and increased energy consumption. While extensive research has been conducted on Fault Detection and Diagnosis (FDD) in AC systems, most studies rely on laboratory-imposed faults or simulations, which may not reflect real-world conditions. Thus, long-term field data analyses remain scarce. This study develops and validates a time-series analysis-based methodology for detecting and diagnosing these faults in residential air conditioning units. Virtual refrigerant charge is used to detect refrigerant leakage, while the difference between condensing and ambient temperatures is used to detect inadequate condenser airflow. The methodology is tested on a dataset of 81 units across the US and Canada, monitored over a full cooling season (2–7 months). Results show that 2 units exhibited degraded condenser airflow and 5 had refrigerant leakage. Refrigerant leakage resulted in a monthly Coefficient of Performance (COP) reduction of 4–10% and an increase in daily energy consumption by 4–26% over a faulty period of 6.5 to 15 weeks. Similarly, units with degraded condenser airflow experienced a COP reduction of 4–7% per month, and daily electricity consumption increased by 15–17% over a faulty period of 8–8.5 weeks. This study quantifies fault performance degradation under residential conditions by analyzing real-world operational data, offering a field-tested approach for identifying and assessing soft faults. This work highlights the importance of timely fault detection and maintenance in residential Air Conditioning units to ensure efficiency, minimize energy waste, and prevent system damage.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».